4. Stokastiset prosessit. lect4.tex 1. Sisältö. Peruskäsitteitä. Poisson-prosessi. Markov-prosessit. Syntymä-kuolema-prosessit
|
|
- Sakari Karjalainen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 4. Stokastiset prosessit lect4.tex 1 Sisältö Peruskäsitteitä Poisson-prosessi Markov-prosessit Syntymä-kuolema-prosessit 2
2 Stokastinen prosessi Tarkasteltavana oleva järjestelmä kehittyy ajan mukana ja meitä kiinnostaa sen dynaaminen, yleensä satunnaisuutta sisältävä käyttäytyminen. Esimerkkejä: onnistuminen n:nnessä Bernoulli-kokeessa varattujen kanavien lkm puhelinlinkissä hetkellä t (tai n:nnen kutsun saapuessa) pakettien lkm reitittimen puskurissa hetkellä t (tai n:nnen paketin saapuessa) Tätä kehitystä kuvataan stokastisella prosessilla. Kullakin yksittäisellä ajanhetkellä t (tai n) kyseessä on satunnaismuuttuja. Stokastinen prosessi on siis kokoelma satunnaismuuttujia. 3 Määritelmä Stokastinen prosessi (stochastic process) on kokoelma satunnaismuuttujia X =(X t ; t I), joita (aikaa kuvaava) parametri t indeksoi. Reaaliarvoisten indeksien joukkoa I R sanotaan parametriavaruudeksi. Käytetään myös nimitystä satunnaisprosessi. Monasti koko prosessista käytetään merkintää X t. Asiayhteydestä kyllä selviää tarkoittaako ko. merkintä yksittäistä satunnaismuuttujaa vai koko prosessia. Yleensä oletetaan, että satunnaismuuttujilla X t on yhteinen arvojoukko S. Tästä käytetään nimitystä tila-avaruus. 4
3 Reaaliarvoiset stokastiset prosessit Yksittäinen satunnaismuuttuja X t on kuvaus otosavaruudesta Ω reaaliluvuille R: X t :Ω R, ω X t (ω) Näin ollen stokastinen prosessi on kuvaus otosavaruudesta Ω reaaliarvoisten funktioiden joukkoon (argumenttina t I): X :Ω R I,ω X (ω) Jokaiseen alkeistapaukseen ω Ω liittyy siis funktio, joka saa arvot (X t (ω); t I). Tätä funktiota kutsutaan stokastisen prosessin realisaatioksi. Muita nimityksiä ovat polku ja trajektori. 5 Yhteenvetona Alkeistapaus ω Ω annettu; X t (ω) on t:n funktio, kun t I. Ajahetki t I annettu; X t (ω) on satunnaismuuttuja, kun ω Ω. ω ja t annettu; X t (ω) on reaaliluku. 6
4 Esimerkki: liikenneprosessi Tarkastellaan puhelinliikennettä yksittäisessä keskusten välisessä yhdysjohdossa aikavälillä [0,T]. Merkitään X t :llä varattujen kanavien lukumäärää hetkellä t [0,T]. Kyseessä on ns. liikenneprosessi. Alkeistapaus ω kertoo nyt mikä on varattujen kanavien lkm alkuhetkellä t =0 mitkä ovat alkuhetkellä käynnissä olevien kutsujen jäljelläolevat pitoajat millä ajanhetkillä saapuu uusia kutsuja mitkä ovat näiden uusien kutsujen kestot Näistä tiedoista voimme määrätä liikenneprosessin X t reaalisaation X t (ω) kyseisessä alkeistapauksessa ω. Prosessin reaalisaatiossa ei siis ole enää mitään satunnaisuutta! 7 Stokastisten prosesien luokittelu Parametriavaruus: t:n arvojen joukko I Tila-avaruus: X t :n arvojen joukko S Satunnaisprosesseja voidaan luokitella sen mukaan ovatko yo. avaruudet jatkuvia vai diskreettejä a Parametriavaruuden tyypin mukaan puhutaan diskreettiaikaisista ja jatkuva-aikaisista prosesseista. Tila-avaruuden tyypin mukaan vastaavasti diskreettitilaisista ja jatkuvatilaisista prosesseista. Tällä kurssilla keskitytään lähinnä diskreettitilaisiin prosesseihin. Yleensä kyseessä on lkm:ää kuvaavan sm:n kehitys ajassa. Tila-avaruus tässä tapauksessa on S = Z + = {0, 1, 2...} a diskreetti=äärellinen tai numeroituva 8
5 Esimerkkejä diskreettiaikaisista ja diskreettitilaisista prosesseista onnistuminen n:nnessä Bernoulli-kokeessa n =1, 2,... varattujen kanavien lkm puhelinlinkissä n:nnen kutsun saapuessa n =1, 2,... pakettien lkm reitittimen puskurissa n:nnen paketin saapuessa n =1, 2,... Esimerkkejä jatkuva-aikaisista ja diskreettitilaisista prosesseista varattujen kanavien lkm puhelinlinkissä hetkellä t, t [0,T] tai t R + pakettien lkm reitittimessä hetkellä t, t [0,T] tai t R + 9 Merkintöjä Diskreettiaikaisille prosesseille parametriavaruus on yleensä ei negatiiviset kokonaisluvut I = Z + = {0, 1,...}. Tällöin käytetään usein indeksin t sijaan indeksiä n: X n,x n (ω). Jatkuva-aikaisille prosesseille parametriavaruus on yleensä jokin suljettu väli tai sitten koko ei-negatiivinen puoliakseli: I =[0,T], T>0 tai I = R + =[0, ). Tällöin taas indeksi t sijoitetaan monasti alaindeksin sijasta X:n jälkeen sulkuihin (kuten tavallisesti tehdään funktioden yhteydessä): X(t), X(t; ω) 10
6 Stokastisen prosessin jakauma Olkoon n =1, 2,... Stokastisen prosessin X t n:nnen kertaluvun statistiikan (äärellisulotteisen jakauman) määräävät todennäköisyydet P(X t1 x 1,...,X tn x n ) missä (t 1,...,t n ) I n ja (x 1,...,x n ) R n. Prosessin täydellinen stokastien karakterisointi edellyttää kaikkien kertalukujen äärellisulotteisten jakaumien tuntemista. Tehtävän tekee vaikeaksi eri ajanhetkiin liittyvien sm:ien välinen riippuvuus. 11 Satunnaismuuttujien välinen riippuvuus Esimerkiksi diskreettiaikaisessa tapauksessa on tietysti mahdollista tarkastella jonoa riippumattomia sm:ia stokastisena prosessina. Tällöin yhteisjakauman määrääminen ei tuota ongelmia: P(X t1 x 1,...,X tn x n )=P(X t1 x 1 ) P(X tn x n ) Yksinkertaisin aidosti riippuva tapaus saadaan ns. Markov-ominaisuudesta: tiettyyn ajanhetkeen liittyvä muuttuja riippuu vain välittömästi edellisestä: P(X t1 x 1,...,X tn x n )= P(X t1 x 1 )P(X t2 x 2 X t1 x 1 ) P(X tn x n X tn 1 x n 1 ), missä t 1 t 2... t n. Näin syntyvät ns Markov-prosessit. 12
7 Stokastisen prosessin stationaarisuus Stokastista prosessia X t sanotaan stationaariseksi (stationary), jos äärellisulotteiset jakaumat ovat invariantteja ajan siirron suhteen, ts. P(X t1+ x 1,...,X tn+ x n )=P(X t1 x 1,...,X tn x n ) kaikilla > 0, n, (t 1,...,t n ) ja (x 1,...,x n ). Seuraus: Valitsemalla n =1, voimme päätellä, että stationaarisen prosessin yksittäiset arvot X t,t I ovat samoin jakautuneita: kaikilla t I (olettaen, että 0 I). P(X t x) =P(X 0 x) Kyseistä (yksiulotteista) jakaumaa sanotaan stationaariseksi jakaumaksi (stationary distribution). Diskreettiaikaisen prosessin tapauksessa sen määräävät pistetn:t π i = P(X t = i), i S. 13 Stokastiset prosessit liikenneteoriassa Tällä kurssilla (ja liikenneteoriassa yleisimminkin) stokastisia prosesseja tarvitaan kuvaamaan asiakkaiden saapumisia järjestelmään (saapumisprosessi) järjestelmän tilaa (tilaprosessi, esim. varattujen kanavien lkm tai pakettien lkm, verkkotapauksessa käynnissä olevien kutsujen lkm:t luokkakohtaisesti) 14
8 Saapumisprosessi Saapumisprosessi voidaan kuvata pisteprosessina (τ n ; n =1, 2,...) olettamalla esim., että saapumisten väliajat τ n τ n 1 ovat riippumattomia ja samoin jakautuneita (eksponentiaaliset väliajat Poisson-prosessi) laskuriprosessina (A(t) ; t [0, )), missä A(t) kertoo hetkeen t mennessä saapuneiden asiakkaiden lkm:n (riippumattomat ja Poisson-jakautuneet lisäykset A(t + ) A(t) Poisson-prosessi) Jälkimmäisessä tapauksessa kyseessä on kokonaislukuarvoinen (siis diskreettitilainen) jatkuva-aikainen stokastinen prosessi, joka kasvaa ajan myötä Näin ollen se ei voi olla stationaarinen. s<t A(s) A(t). 15 Tilaprosessi Yksinkertaisissa tapauksissa järjestelmän tila ilmoitetaan esim. kutsujen tai pakettien lkm:nä X(t) eri ajanhetkinä t. Tilaprosessi (state process) on tässä tapauksessa kokonaislukuarvoinen (siis diskreettitilainen) ja jatkuva-aikainen stokastinen prosessi Tässä tapauksessa on järkevää kysyä, onko ko. prosessi stationaarinen (jolloin systeemin tila X(t) noudattaa samaa jakaumaa, so. stationaarista jakaumaa π i kullakin ajanhetkellä t). Vaikka systeemin tila alkuhetkellä ei noudattaisikaan ko. stationaarijakaumaa monasti käy niin, että tilajakauma lähestyy sitä ajan t kasvaessa (ns. steady state) 16
9 Bernoulli-prosessi Toistetaan riippumattomasti Bernoulli-koetta, jossa onnistumustodennäköisyys on p. Merkitään X n :llä n:ttä koetta vastaavaa Bernoulli-muuttujaa, ts. 1, jos n:s koe onnistui X n = 0, jos n:s koe epäonnistui Kokoelmaa (X n ; n =1, 2,...) sanotaan Bernoulli-prosessiksi. Kyseessä on selvästikin diskreettiaikainen ja diskreettitilainen prosessi. Parametriavaruus: I = {1, 2,...} Tila-avaruus: S = {0, 1} Äärellisulotteiset jakaumat: n P(X 1 = x 1,...,X n = x n ) = P(X 1 = x 1 ) P(X n = x n )= p xi (1 p) 1 xi Näin kuvattuna prosessi on selvästikin stationaarinen, stationaarisena jakaumanaan π 0 = P(X n =0)=1 p, i=1 π 1 = P(X n =1)=p. 17 Poisson-prosessi Bernoulli-prosessin jatkuva-aikainen vastine on Poisson-prosessi. Näin ajatellen kyseessä on pisteprosessi (τ n ; n =1, 2,...), missä τ n kertoo n:nnen tapahtuman (n:s onnistuminen, n:nnen asiakkaan saapuminen, yms.) tapahtumishetken. Määritelmä 1: Pisteprosessi τ n on Poisson-prosessi intesiteettinään λ, jos lyhyellä aikavälillä (t, t + h] havaitaanyksitapahtumamuistaaikaväleistäriippumattatn:llä λh + o(h) Tapahtumaintensiteetti (esim. saapumisia aikayksikköä kohti) on siis vakio λ: lim (λh + o(h)) = λ h h 0 1 Todennäköisyys, että välille (t, t + h] ei satu yhtään tapahtumaa on 1 λ + o(h) Huom: Yllä merkintä o(h) tarkoittaa mv. funktiota, jolle pätee lim h 0 o(h) h =0 18
10 Poisson-prosessin karakterisointi väliaikojen avulla Tarkastellaan kahden tapahtuman väliaikaa τ n τ n 1 (merk. τ 0 =0). Koska tapahtumaintensiteetti pysyy vakiona, väliajan päättyminen lyhyellä aikavälillä (t, t + h], kun se on jo kestänyt ajan t, ei riipu t:stä eikä aiemmista tapahtumista. Näin ollen väliajat ovat toisistaan riippumattomia ja lisäksi niillä on unohtavaisuusominaisuus. Toisaalta voidaan osoittaa, että ainoa jatkuva jakauma, jolla on ko. ominaisuus, on eksponenttijakauma. Määritelmä 2: Pisteprosessi τ n on Poisson-prosessi intesiteettinään λ, jos tapahtuminen väliajat τ n τ n 1 ovat riippumattomia toisistaan ja samoinjakautuneita τ n τ n 1 Exp(λ). 19 Poisson-prosessin karakterisointi laskuriprosessina Merkitään A(t):llä hetkeen t mennessäsattuneiden tapahtumien lukumäärää. A(0) = 0. Bernoulli-prosessilla kiinteällä aikavälillä sattuneiden onnistumisten lkm noudattaa binomijakaumaa (parametreinään välinpituus ja onnistumistn.). Ajatellen, että Poisson-jakauma saadaan binomijakauman rajajakaumana, on luonnollista olettaa, että Poisson-prosessissa kiinteällä aikavälillä sattuneiden tapahtumien lku olisi Poisson-jakautunut. Määritelmä 3: Laskuriprosessi A(t) on Poisson-prosessi intensiteettinään λ, jos ko. prosessin lisäyksen yhteispisteettömillä väleillä ovat riippumattomat ja noudattavat Poisson-jakaumaa: A(t + ) A(t) Poisson(λ ) 20
11 Kolme tapaa karakterisoida Poisson-prosessi A(t) Kaikki kolme Poisson-prosessin määritelmää ovat yhtäpitäviä. Tod. Sivuutetaan tällä kurssilla h } τ τ 2 1 τ 1 τ 2 τ 3 τ 4 τ 5 h h } } t t ei onnistumisia tn:llä 1 λh onnistuminen tn:llä λh 21 Poisson-prosessin ominaisuuksia Tarkastellaan ensin laskuriprosessia A(t). Parametriavaruus: I = R + =[0, ) Tila-avaruus: S = Z + = {0, 1, 2,...} Yksiulotteiset jakaumat: Äärellisulotteiset jakaumat: A(t) Poisson(λt) E[A(t)] = λt Var[A(t)] = λt P(A(t 1 )=i 1,...,A(t n )=i n ) = P (A(t 1 )=i 1,A(t 2 ) A(t 1 )=i 2 i 1,...,A(t n ) A(t n 1 )=i n i n 1 ) = P (A(t 1 )=i 1 ) P (A(t 2 ) A(t 1 )=i 2 i 1 ) P (A(t n ) A(t n 1 )=i n i n 1 ) = (λt 1) i1 i 1! (λ(t 2 t 1 )) i2 i1 (i 2 i 1 )! Huom: Ei stationaarista jakaumaa! (λ(t n t n 1 )) in in 1 (i n i n 1 )! e λtn 22
12 Väite: Olkoon A 1 (t) ja A 2 (t) riippumattomia Poisson-prosesseja intensiteeteillä λ 1 ja λ 2. Tällöin niiden summaprosessi eli superpositio A 1 (t)+a 2 (t) on Poisson-prosessi intensiteettinään λ 1 + λ 2. Tod. Tarkastellaan lyhyttä aikaväliä (t, t + h]. Todennäköisyys, että superpositiossa ei ole tapahtumia tällä välillä, on (1 λ 1 h + o(h))(1 λ 2 h + o(h)) = 1 (λ 1 + λ 2 )h + o(h). Toisaalta täsmälleen yhden tapahtuman tn on (λ 1 h + o(h))(1 λ 2 h + o(h)) + (λ 2 h + o(h))(1 λ 2 h + o(h)) = (λ 1 + λ 2 )h + o(h). λ 1 λ 1 λ 2 + λ 2 23 Väite: Olkoon A(t) Poisson-prosessi intensiteettinään λ. Satunnaisotanta tn:llä p (ts. valitaan yksittäiset tapahtumat toisistaan riippumatta uuteen osaprosessiin tn:llä p) tuottaa Poisson-prosessin intensiteettinään pλ. Tod. Tarkastellaan lyhyttä aikaväliä (t, t + h]. Tn, että satunnaispoiminnanjälkeen ei ole tapahtumia ko. välillä on (1 λh + o(h)) + (1 p)(λh + o(h)) = 1 pλh + o(h) Toisaalta täsmälleen yhden onnistumisen tn on p(λh + o(h)) = pλh + o(h). λ p λ 24
13 Väite: Olkoon A(t) Poisson-prosessi intensiteetillä λ. Satunnaishajoitus kahteen osaprosessiin todennäköisyyksin p ja 1 p tuottaa kaksi riippumatonta Poisson-prosessia intensiteetein λp ja λ(1 p). Tod. Edellisen väitteen perusteella riittää osoittaa prosessien välinen riippumattomuus. Todistus kuitenkin sivuutetaan tällä kurssilla. λ p λ (1-p) λ 25 Tarkastellaan järjestelmää, johon saapuu uusia asiakkaita Poisson-prosessin mukaisesti. Tällöin on voimassa ns. PASTA-ominaisuus (PASTA=Poisson Arrivals See Time Averages). Tämä tarkoittaa sitä, että tarkasteltaessa systeemin tilaa diskreetisti pelkästään uusien asiakkaiden saapumishetkillä sillä on sama stationaarinen jakauma kuin systeemin tilalla jatkuva-aikaisesti tarkasteluna. Voidaan siis sanoa, että saapuva asiakas näkee systeemin tasapainotilassa. PASTA on Poisson-prosessien erityisominaisuus. Tarkastaessa esim. systeemiä, jossa on vain yksi asiakas ( oma PC ), joka poistuttuaan systeemistä palaa sinne satunnaisen ajan kuluttua. Tälläinen asiakas näkee systeemin aina tyhjänä. Sen sijaan jatkuvassa ajassa tarkasteltuna systeemi ei ole aina tyhjä! 26
14 Markov-prosessi Tarkastellaan jatkuva-aikaista ja diskreettitilaista stokastista prosessia X =(X t ; t 0) tila-avaruudella {0, 1, 2,...,n}, missä n voi olla myös ääretön. Prosessia X sanotaan Markov-prosessiksi, jos sillä on Markov-ominaisuus: P(X tn+1 = x n+1 X t1 = x 1,...,X tn = x n )=P(X tn+1 = x n+1 X tn = x n ) kaikilla n, t 1 < <t n+1 ja (x 1,...,x n+1 ) S n+1. Markov-prosessin tuleva kehitys ehdollistettuna prosessin nykyiseen X tn ja menneisiin tiloihin (X t1,...,x tn 1 ) tilohin riippuu vain sen nykytilasta X tn (eikä siitä miten tähän on tultu). Nykytila siis sisältää kaiken jatkon kannalta tarpeellisen informaation. 27 Esimerkki: riippumattomien lisäysten prosessi Riippumattomien lisäysten prosessi on aina Markov-prosessi: X tn = X tn 1 +(X tn X tn 1 ). Yo. kaavassa lisäys on riippumaton kaikista edellisistä lisäyksistä, jotka ovat johtaneet tilaan X tn 1. Seuraus: Poisson-prosessi on Markov-prosessi, sillä määritelmän 3 mukaan Poisson-prosessin lisäykset yhteispisteettömillä väleillä ovat riippumattomat. 28
15 Aikahomogeenisuus Markov-prosessiasanotaanaikahomogeeniseksi, jos kaikilla t, 0 ja x, y S pätee P(X t+ = y X t = x) =P(X = y X 0 = x) Siirtymäintensiteetit Siirtymäintensiteetit 1 q ij = lim h 0 h P(X h = j X 0 = i), i,j S, määrittelevät täydellisesti aikahomogeenisen Markov-prosessin TilatodennäköisyydetP(X(t) =x), t 0, x S, määräytyvät yksikäsitteisesti siirtymäintensiteeteistä q ij, kunhan alkujakauma eli tn:t P(X(0) = x), x S, on annettu. Huom! Jatkossa rajoitamme tarkastelumme aikahomogeenisiin Markov-prosesseihin. 29 Eksponentiaaliset elinajat Markov-ominaisuuden nojalla aika, jonka järjestelmä viettää annetussa tilassa, on muistiton: jäljelläolevan ajan jakauma riippuu vain ko. tilasta, muttei kauanko siinä tilassa ollaan jo oltu. = Tilassa vietetty aika on eksponentiaalisesti jakautunut. Siirtymät tilasta i muihin tiloihin j tapahtuvat intensiteetein q ij. Näin ollen kokonaissiirtymäintensiteetti pois tilasta i on q i = q ij. j i Tilassa i vietetty aika (elinaika) on siis eksponentiaalisesti jakautunut intensiteetillä q i. (Vrt. riippumattomien Exp-jakautuneiden muuttujien minimi on Exp-jakautunut satunnaismuuttuja intensiteettinään ko. intensiteettien summa.) 30
16 Tilasiirtymätodennäköisyydet Voidaan ajatella, että kutakin mahdollista yhden askeleen tilasiirtymää i j, vastaa satunnaismuuttuja T ij Exp(q ij ). Mahdolliset siirtymät ovat toisistaan riippumattomia. Lopulta toteutunut siirtymä on näiden minimissä T i =min j i T ij T i Exp(q i ) Merkitään p ij :llä todennäköisyyttä, että toteutunut siirtymä on tilasta i tilaan j. Aiemmin johdettujen Exp-jakauman ominaisuuksien nojalla p ij = P(T i = T ij )= q ij q i 31 Tilakaavio Aikahomogeeninen Markov-prosessi esitetään usein ns. tilasiirtymäkaavion a (state transition diagram) avulla. Prosessin tilat x S piirretäänpallukoina,joista lähtevätnuolet kuvaavat mahdollisia yhden askeleen siirtymiä. Näin ollen tilasta i piirretään nuoli tilaan j, jos q ij > 0 ja nuoleen liitetään usein ko. intensiteetin arvo. Esim. Kolmitilainen Markov-prosessi, S = {0, 1, 2}. q 01 > 0 0 q 02 =0 q 10 =0 q 12 > 0 q 20 > 0 q 01 1 q 12 q 20 2 q 21 > 0 q 21 a lyhyemmin: tilakaavio (state diagram) 32
17 Pelkistymättömyys Sanotaan, että tilasta i pääsee tilaan j (i j), jos tilakaaviosta löytyy suunnattuna polku i:stä j:hin. Toisin sanoen on olemassa tilat i 1,...,i n 1 siten, että q i,i1,q i1,i 2,...,q in 2,i n 1,q in 1,j > 0. Jos näin on, niin lähdettäessä tilasta i tilassa j käydään (joskus tulevaisuudessa) positiivisella tn:llä. Tilojen i ja j sanotaan kommunikoivan (i j), jos tilasta i pääsee tilaan j ja kääntäen. Markov-prosessiasanotaanpelkistymättömäksi (irreducible), jos kaikki tilat x S kommunikoivat keskenään. Huom. Edellisellä sivulla esitetty esimerkki on selvästikin pelkistymätön. 33 Tasapainojakauma Tarkastellaan pelkistymätöntä Markov-prosessia. Jos tila-avaruudessa S on määritelty jakauma π =(π i,i S), so. (N) π i =1, π i 0 i S, jolle pätevät ns. globaalit tasapainoehdot (global balance equations) (GTE) i S π j q ji = π i q ij i j i j kaikilla j S, niin ko. jakaumaa π sanotaan prosessin tasapainojakaumaksi (equilibrium distribution). Voidaan osoittaa, että valittaessa alkujakaumaksi tasapainojakauma, ts. P(X 0 = i) =π i, Markov-prosessista tulee stationaarinen (stationaarisena jakaumanaan π). 34
18 Lokaalit tasapainoehdot Tarkastellaan edelleen pelkistymätöntä Markov-prosessia. Jos tila-avaruudessa S on määritelty jakauma π =(π i,i S),so. (N) π i =1, π i 0 i S, jolle pätevät ns. lokaalit tasapainoehdot (local balance equations) i S (LTE) π j q ji = π i q ij, i, j S niin ko. jakauma π on prosessin tasapainojakauma (ja siten myös stationaarinen jakauma). Tämä on helppo nähdä summaamalla (LTE) yli tilojen i j. Prosessi on tässä tapauksessa a kääntyvä (reversible), ts. se näyttää stokastisesti samanlaiselta kuljettiinpa ajassa eteen- tai taaksepäin. a ehto: valitaan stationaarinen jakauma alkujakaumaksi 35 Huomatus (LTE):n voimassaolosta Ehdoton edellytys lokaalien tasapainoehtojen (LTE) voimassaololle on, että joko q ij > 0 ja q ji > 0 tai sitten q ij =0ja q ji =0 Ts. tilakaaviossa tilojen i jaj välillä on joko kaksi erisuuntaista nuolta tai sitten ei yhtään. 36
19 Esimerkki tasapainojakauman laskemisesta Selvästikään lokaalit tasapainoehdot eivät ole voimassa. Miksei? µ (N) π 0 + π 2 + π 2 =1 (GTE) π 0 1 = π 2 1 (j =0) π 1 1 = π 0 1+π 2 µ (j =1) π 2 (1 + µ) = π 1 1 (j =2) Yo. yhtälöiden ratkaisu on π 0 = 1 3+µ π 1 = 1+µ 3+µ π 2 = 1 3+µ Huom. Miten käy kun, µ 0 tai µ. 37 Syntymä-kuolema-prosessi Tarkastellaan jatkuva-aikaista ja diskreettitilaista Markov-prosessia X =(X(t); t 0) tila-avaruudessa S = {0, 1, 2,...,n} (sallitaan myös n = ). Prosessia X sanotaan syntymä-kuolema-prosessiksi (birth-dead-process, sk-prosessi), jos (yhden askeleen) tilasiirtymät ovat mahdollisia vain naapuritilojen välillä. Toisin sanoen kaikilla i S: q i,i 1 = µ i 0 q i,i+1 = λ i 0 q i,j = 0, jos i j > 1. Lisäksi µ 0 =0ja äärellisen tila-avaruuden tapauksessa λ n =0. 38
20 Pelkistymättömyys Selvästikin sk-prosessi on pelkistymätön jos ja vain jos λ i > 0 kaikilla i S (kaikilla i<n, kun S äärellinen) ja µ i > 0 kaikilla i S \{0}. Kun S on ääretön, pelkistymättömän sk-prosessin tilakaavio on seuraavanlainen: λ 0 λ 1 λ µ 1 µ 2 µ 3 Kun S on äärellinen, pelkistymättömän sk-prosessin tilakaavio on seuraavanlainen: λ 0 λ 1 λn-2 λn-1 0 µ 1 1 µ 2 µ n-1 n µ n-1 n 39 Puhdas syntymäprosessi Sellaista sk-prosessia, jolle µ i =0kaikilla i S ja λ i > 0 kaikilla i S (kaikilla i<n, kun S äärellinen), sanotaan puhtaaksi syntymäprosessiksi (pure birth process). Tilakaavio (kun S ääretön ja äärellinen) 0 λ 0 1 λ 1 λ 2 2 λ 0 λ 1 λ n-2 λ n n-1 n Esim. Poisson-prosessi on puhdas syntymäprosessi vakiointensiteetein λ i = λ kaikilla i S = {0, 1, 2,...}. Huom. Puhdas syntymäprosessi ei ole pelkistymätön! 40
21 Puhdas kuolemaprosessi Sellaista sk-prosessia, jolle λ i =0kaikilla i S ja µ i > 0 kaikilla i S \{0}, sanotaan puhtaaksi kuolemaprosessiksi (pure dead process). Tilakaavio (kun S ääretön ja äärellinen) µ µ 2 µ µ 1 µ 2 µ n-1 µ n 0 1 n-1 n Esim. Puhtaalla kuolemaprosessilla voitaisiin mallinta sellaista jonotus- tai menetysjärjestelmää, johon ei enää saavu uusia asiakkaita. Huom. Puhdas kuolemaprosessi ei ole pelkistymätön! 41 Tasapainojakauma Tarkastellaan pelkistymätöntä sk-prosessia. Tasapainojakauma voidaan tässä tapauksessa laskea lokaaleista tasapainoehdoista: (LTE) π i+1 µ i+1 = π i λ i, i S (tai i < n jos S äärellinen). Tästä saadaan rekursiokaava Näin ollen Normeerausehto: (N) π i = π 0 π i+1 = i j=1 λ i µ i+1 π i π i = π 0 i S λ j 1 µ j, i S. i i S j=1 λ j 1 µ j =1 Tasapainojakauma on siis olemassa täsmälleen silloin, kun yo. summa suppenee. 42
22 Äärellinen tila-avaruus S = {0, 1, 2...,n} Jos tila-avaruus on äärellinen summa suppenee aina. Tasapainojakaumaksi tulee silloin π 0 = 1+ π i = π 0 n i i=1 j=1 i j=1 λ j 1 µ j 1 λ j 1 µ j, i > 0. Ääretön tila-avaruus S = {0, 1, 2...} Jos tila-avaruus on ääretön ja ko. summa suppenee saamme tasapainojakaumaksi: π 0 = 1+ π i = π 0 i i=1 j=1 i j=1 λ j 1 µ j 1 λ j 1 µ j, i > Esimerkki tasapainojakauman laskemisesta λ λ 0 µ 1 µ 2 Merkitään ρ = λ µ. (LTE) π i+1 µ = π i λ π i+1 = λ µ π i = ρπ i π i = π 0 ρ i (N) π 0 + π 1 + π 2 = π 0 (1 + ρ + ρ 2 )=1 π 0 =(1+ρ + ρ 2 ) 1 π i = ρi 1+ρ+ρ 2, i =0, 1, 2 44
5. Stokastiset prosessit (1)
luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2006 Sisältö Peruskäsitteitä Poisson-prosessi 2 Stokastiset prosessit () Tarkastellaan jotakin (liikenneteorian kannalta tai sitten muuten) kiinnostavaa
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Peruskäsitteitä Poisson-prosessi Luento05.ppt S-38.45 - Liikenneteorian perusteet - Kevät 2005 2 Stokastiset prosessit () Stokastiset prosessit
LisätiedotSTOKASTISET PROSESSIT Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Stokastiset prosessit 1 STOKASTISET PROSESSIT Peruskäsitteitä Usein tarkasteltava järjestelmä kehittyy ajan mukana ja meitä kiinnostaa sen dynaaminen, yleensä satunnaisuutta
LisätiedotJ. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1
J. Virtamo 38.3143 Jonoteoria / Poisson-prosessi 1 Poisson-prosessi Yleistä Poisson-prosessi on eräs keskeisimmistä jonoteoriassa käytetyistä malleista. Hyvin usein asiakkaiden saapumisprosessia jonoon
LisätiedotDemonstraatiot Luento 7 D7/1 D7/2 D7/3
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 7 7.2.2008 D7/ Tarkastellaan piirikytkentäisen järjestelmän n-kanavaista
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo 38.343 Jonoteoria / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti - tilat voiaan järjestää
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
LisätiedotSyntymä-kuolema-prosessit
J. Virtamo Liikenneteoria ja liikenteenhallinta / SK-prosessit Syntymä-kuolema-prosessit Yleistä Syntymä-kuolema-prosessiksi (SK-prosessi) kutsutaan Markov-prosessia, jonka - tila-avaruus on iskreetti
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Virtamo 38.3143 Jonoteoria / Markov-prosessit 1 Markov-prosessit (Jatkuva-aikaiset Markov-ketut) Tarkastellaan (stationaarisia) Markov-prosessea, oiden parametriavaruus on atkuva (yleensä aika). Siirtymät
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
LisätiedotABTEKNILLINEN KORKEAKOULU
ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
Lisätiedotkäännetty prosessi. Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t.
J. Virtamo 38.3143 Jonoteoria / Ajan kääntö 1 AJAN KÄÄNTÖ JA KÄÄNTYVÄT PROSESSIT Käännetty prosessi Tarkastellaan pelkistymätöntä stationaarista stokastista prosessia X t. Tähän prosessiin voidaan liittää
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotEstojärjestelmä (loss system, menetysjärjestelmä)
J. Virtamo 38.3143 Jonoteoria / Estojärjestelmä 1 Estojärjestelmä (loss system, menetysjärjestelmä) Tarkastellaan perinteistä puhdasta estojärjestelmää, jossa on annettu n = johtojen (varattavien elementtien)
Lisätiedot4. Todennäköisyyslaskennan kertausta
luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
Lisätiedot3.1 Kaksiulotteinen satunnaisvektori ja sen jakauma
3 Yhteisjakauma Kappaleessa 2 tarkastelimme aina yhtä satunnaismuuttujaa kerrallaan. Tässä kappaleessa näemme, miten aikaisemmat käsitteet yleistyvät siihen tilanteeseen, jossa samalla perusjoukolla on
LisätiedotEstynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)
J Virtamo 383143 Jonoteoria / Engsetin järjestelmä 1 Äärellinen lähdepopulaatio: M/M/s/s/n-järjestelmä Tarkastellaan estojärjestelmää (ei odotuspaikkoja) tapauksessa, jossa saapumiset tulevat äärellisestä
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
5B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Alla on kuhunkin tehtävään esitetty malliratkaisut punaisella sekä malliratkaisujen lisämateriaalit sinisellä. Tuntitehtävät 5B1 Teemu Selänne on
LisätiedotTeoria. Satunnaismuuttujan arvonta annetusta jakaumasta
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Johdanto ja pseudosatunnaislukujen generointi Eri menetelmiä satunnaismuuttujien
LisätiedotDiskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
LisätiedotJatkuva-aikaisia Markov-prosesseja
5B Jatkuva-aikaisia Markov-prosesseja Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tasapainojakaumia. Laskuharjoitukseen kannattaa
LisätiedotFunktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.
Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotMarkov-ketjut pitkällä aikavälillä
MS-C2111 Stokastiset prosessit 2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton;
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotOtosavaruus ja todennäköisyys Otosavaruus Ë on joukko, jonka alkiot ovat kokeen tulokset Tapahtuma on otosavaruuden osajoukko
ÌÓÒÒĐĐÓ ÝÝ ÔÖÙ ØØ Naiiveja määritelmiä Suhteellinen frekvenssi kun ilmiö toistuu Jos tehdas on valmistanut 1000000 kpl erästä tuotetta, joista 5013 ovat viallisia, niin todennäköisyys, että tuote on viallinen
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotJohdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotProsessin reaalisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Satunnaismuuttujan arvonta annetusta jakaumasta Tulosten keruu ja analyysi Varianssinreduktiotekniikoista 20/09/2004
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotLiikenneongelmien aikaskaalahierarkia
J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät
LisätiedotErilaisia Markov-ketjuja
MS-C2 Stokastiset prosessit Syksy 207 3A Erilaisia Markov-ketjuja Tuntitehtävät 3A Lepakoiden rengastaja (tai kuponkien keräilijä) Lepakkoluolassa on lepakkoa, joista jokainen lentää luolasta ulos joka
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 12. maaliskuuta 2002 T-79.179: Stokastinen analyysi 8-1 Stokastinen analyysi, miksi? Tavallinen Petri-verkkojen saavutettavuusanalyysi
LisätiedotT Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi
T-79.179 Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi 15. maaliskuuta 2004 T-79.179: Stokastinen analyysi 8-1 Mihin tarvitaan stokastista analyysiä? Saavutettavuusanalyysissä
LisätiedotDemonstraatiot Luento
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-8.45 Liikenneteorian perusteet, Kevät 8 Demonstraatiot Luento 8..8 D/ Tarkastellaan seuraavaa yksinkertaista piirikytkentäistä (runko)verkkoa.
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS
f ( n JYVÄSKYLÄN YLIOPISTO MATEMATIIKAN JA TILASTOTIETEEN LAITOS n Harjoitusten 8 ratkaisut Topologiset vektoriavaruudet 2010 8.1. Olkoon P n = {f : K K p on enintään asteen n 1 polynomi} varustettuna
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotTeoria. Prosessin realisaatioiden tuottaminen
Teoria Johdanto simulointiin Simuloinnin kulku -- prosessin realisaatioiden tuottaminen Tapahtumapohjaisen simuloinnin periaatteet Esimerkki: M/M/1 jonon simulointi Simulointiohjelman geneeriset komponentit
Lisätiedot=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin
FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 4. Joukot, relaatiot ja funktiot Osa 1: Joukot 4.1 Joukot Matemaattisesti joukko on mikä tahansa hyvin määritelty kokoelma objekteja, joita kutsutaan joukon alkioiksi
LisätiedotJohdatus todennäköisyyslaskentaan Jatkuvia jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Jatkuvia jakaumia TKK (c) Ilkka Mellin (2005) 1 Jatkuvia jakaumia Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen raja-arvolause TKK (c) Ilkka Mellin
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 2
031021P Tilastomatematiikka (5 op) viikko 2 Jukka Kemppainen Mathematics Division Satunnaismuuttuja Useissa luonnon- tai teknistieteellisissä sovellutuksissa satunnaiskokeen lopputulos on numeerinen lukuarvo.
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
Lisätiedot4. Martingaalit ja lokaalit martingaalit
STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotJonojen matematiikkaa
Lectio praecursoria Jonojen matematiikkaa Samuli Aalto luento.ppt 1 Sisältö Johdanto Joukkopalveltu jono (batch service queue) Nestevarastomalli (fluid flow storage model) 2 Reaalimaailman ilmiö... ÿþýüûr.u.p.t.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMarkov-kustannusmallit ja kulkuajat
2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua
Lisätiedot3. Esimerkkejä luento03.ppt S Liikenneteorian perusteet - Kevät
luento03.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö Puhelinliikenteen malli Pakettitason malli dataliikenteelle Vuotason malli elastiselle dataliikenteelle Vuotason malli virtaavalle
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotOdotusjärjestelmät. Aluksi esitellään allaolevan kuvan mukaisen yhden palvelimen jonoon liittyvät perussuureet.
J. Virtamo 38.3143 Jonoteoria / M/M/ /-jonot 1 Odotusjärjestelmät Siirrytään tarkastelemaan odotusjärjestelmiä. Nämä ovat aitoja jonojärjestelmiä siinä mielessä, että niissä on odotuspaikkoja ja asiakkat
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
Lisätiedot031021P Tilastomatematiikka (5 op) viikot 5 6
031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotDISKREETIT JAKAUMAT Generoiva funktio (z-muunnos)
J. Virtamo 38.3143 Jonoteoria / Diskreetit jakaumat 1 DISKREETIT JAKAUMAT Generoiva funktio (z-muunnos) Määritelmä Olkoon X diskreetti sm, jonka arvot ovat ei-negatiivisia kokonaislukuja, X {0, 1, 2,...}.
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotFinanssisitoumusten suojaamisesta
Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
Lisätiedot